Anwendung von Maschinenvisionsystemen bei der Erkennung von Fruchtverfaulung

In der globalen Lieferkette für Obst stellt Verderb nach der Ernte weiterhin eine große Herausforderung dar. Statistiken zeigen, dass jährlich bis zu 25 % des frischen Obsts aufgrund unentdeckten Verfalls während der Sortierung und Lagerung entsorgt werden. Herkömmliche Methoden zur Erkennung von Fruchtverfaulung, die auf manueller Inspektion basieren, sind nicht nur arbeitsintensiv und zeitaufwendig, sondern auch fehleranfällig – insbesondere bei großen Mengen von Produkten oder bei frühzeitigen, optisch kaum sichtbaren Verfärbungen. Um diese Einschränkungen zu überwinden, maschinenvisionsysteme (MVS) haben sich als transformative Technologie etabliert, die fortschrittliche Bildgebung, Computer Vision und maschinelles Lernen nutzt, um eine schnelle, genaue und zerstörungsfreie Erkennung von Fäulnis zu ermöglichen.

1. Technische Grundlagen des Maschinellen Sichtprüfsystems

Das Hauptziel des Projekts besteht darin, ein System zu entwickeln, das automatisch Oberflächeninformationen von Früchten erfasst, visuelle Merkmale im Zusammenhang mit Fäulnis analysiert und Früchte präzise als „gut“ oder „verfault“ klassifiziert. Die Systemarchitektur basiert auf drei zentralen Komponenten: bildgebungs-Hardware , bildvorverarbeitungs-Module , und algorithmen zur Fäulniserkennung .

1.1 Aufbau der Bildgebungs-Hardware

Um eine umfassende Datenerfassung sicherzustellen, verwendet das Projekt eine multisensorielle Bildplattform, die folgende Elemente umfasst:

Hochauflösende RGB-Kameras : Erfassung von Farbinformationen, da Fäulnis häufig durch Verfärbungen sichtbar wird (z. B. braune Stellen auf Äpfeln, grauschimmel auf Erdbeeren).

Nahinfrarotkameras (NIR) : Erkennung von innerem Verderb, der auf der Oberfläche möglicherweise nicht sichtbar ist – beispielsweise Kernfäule bei Birnen oder durch Druckstellen verursachte Fäule bei Pfirsichen, die die spektrale Reflektanz der Früchte im NIR-Bereich verändert.

Gesteuerte Beleuchtungssysteme : LED-Panel mit einstellbarer Intensität und Wellenlänge, um Schatten, Blendung und Störungen durch Umgebungslicht zu minimieren und eine konsistente Bildqualität über verschiedene Obstarten hinweg sicherzustellen (z. B. glänzende Kirschen vs. mattes Avocados).

1.2 Bildvorverarbeitung: Verbesserung der Sichtbarkeit von Merkmalen

Rohbilder enthalten häufig Rauschen (z. B. Staub auf der Fruchtoberfläche, inkonsistente Beleuchtung), das rotbedingte Merkmale verschleiern kann. Die Vorverarbeitungspipeline des Projekts umfasst drei wesentliche Schritte:

Lärmmminderung : Anwendung eines Gaußschen Filters, um hochfrequentes Rauschen zu glätten, während gleichzeitig Kantendetails potenzieller Fäulnisstellen erhalten bleiben.

Umwandlung des Farbraums : Umwandlung von RGB-Bildern in den HSV-Farbraum (Farbton-Sättigung-Helligkeit), da die Farbton- und Sättigungskanäle empfindlicher auf Farbveränderungen durch Fäulnis reagieren als die standardmäßigen RGB-Kanäle. Bei NIR-Bildern erfolgt die Konvertierung in Graustufen und die Anwendung einer Histogrammgleichung, um den Kontrast zwischen gesundem und faulem Gewebe zu verbessern.

Segmentierung : Verwendung von Schwellwertverfahren und Kantenerkennungsalgorithmen (z. B. Canny-Kantendetektor), um die Frucht vom Hintergrund abzugrenzen und potenzielle Faulstellen zu segmentieren. Beispielsweise kann ein Schwellwert im Farbtonkanal braune Fäulnisstellen auf grünen Äpfeln identifizieren, indem sie vom gesunden grünen Farbton der Frucht unterschieden werden.

2. Projektablauf: Von der Fruchteingabe bis zur Sortieraufgabe

Das maschinelle Sichtprüfsystem arbeitet als integrierter Bestandteil einer Obstverpackungsanlage und folgt einem nahtlosen Arbeitsablauf:

Obstzufuhr : Die Früchte werden auf ein Förderband geladen, das sie mit konstanter Geschwindigkeit zur Bildstation transportiert (einstellbar je nach Fruchtgröße, z. B. 0,5 m/s für Äpfel, 0,3 m/s für kleine Erdbeeren).

Bildaufnahme : Wenn ein Positionssensor erkennt, dass eine Frucht die Aufnahmezone betritt, erfassen die RGB- und NIR-Kameras 3–5 Bilder der Frucht aus verschiedenen Winkeln.

Echtzeitverarbeitung : Die Vorverarbeitungspipeline verarbeitet die Bilder in < 0,5 Sekunden, und das Klassifizierungsmodell generiert eine Vorhersage zum Verrottungszustand (frisch/beginnende Fäule/schwere Fäule) zusammen mit einem Konfidenzwert (z. B. 98 % Konfidenz für schwere Fäule).

Sortieraktion : Basierend auf der Vorhersage sendet das System ein Signal an einen pneumatischen Aktuator oder einen Roboterarm am Ende des Förderbands. Gesunde Früchte werden zur „Verpackung“ geleitet, Früchte mit beginnender Fäule werden zur „Qualitätskontrolle“ weitergeleitet, um manuell erneut geprüft zu werden (um falsch positive Ergebnisse zu minimieren), und stark verfaulte Früchte werden in eine „Abfall“-Box umgeleitet.

Datenprotokollierung das System erfasst die ID, Bilder, Klassifizierungsergebnisse und Konfidenzwerte jeder Frucht in einer Cloud-basierten Datenbank. Diese Daten werden verwendet, um das Klassifizierungsmodell regelmäßig neu zu trainieren, wodurch die Genauigkeit mit zunehmender Datensammlung verbessert wird.

3. Praktische Anwendung und Leistung: Fallstudien

3.1 Erkennung von Apfelverfaulung

Genauigkeit das System erreichte eine Genauigkeit von 96,2 % bei der Erkennung von Verfaulung (im Vergleich zu 82,5 % bei manueller Inspektion), mit einer Falsch-positiv-Rate von nur 2,1 % (die manuelle Inspektion lag bei 7,8 %).

Geschwindigkeit das System verarbeitete 120 Äpfel pro Minute, verglichen mit 40 Äpfeln pro Minute durch einen manuellen Inspektor – was die Arbeitskosten um 67 % senkte.

Frühe Erkennung die NIR-Kamera ermöglichte die Erkennung von innerer Kernfäule bei Äpfeln 5–7 Tage früher als die manuelle Inspektion, sodass Betriebe betroffene Früchte aussortieren konnten, bevor sich die Fäule während der Lagerung ausbreitete.

3.2 Erkennung von Erdbeerfäule

Herausforderung erdbeeren sind empfindlich und anfällig für Oberflächenmehltau (z. B. Botrytis cinerea ), der aufgrund seiner geringen Größe oft von manuellen Inspektoren übersehen wird.

Ergebnis : Die hochauflösenden RGB-Kameras des Systems und das CNN-Modell erkannten Schimmelflecken mit einem Durchmesser von nur 2 mm und erreichten dabei eine Genauigkeit von 94,8 %. Dadurch wurden die Verluste nach der Ernte im Vergleich zum bisherigen manuellen Sortierverfahren des Betriebs um 30 % reduziert.

3.3 Erkennung von Mangofäule

Herausforderung : Bei Mangos tritt häufig eine „Stielfäule“ auf, die am Stiel beginnt (einem bei manueller Inspektion weniger sichtbaren Bereich) und sich nach innen ausbreitet.

Ergebnis : Die mehrwinklige Bildaufnahme des Systems (einschließlich einer Unterseitenkamera, die auf den Stiel fokussiert ist) sowie die NIR-Analyse ermöglichten die Erkennung von Stielfäule mit einer Genauigkeit von 95,5 % und halfen dem Verpackungsbetrieb so, Ablehnungen von Sendungen in Exportmärkte zu vermeiden (wo faulnisfreie Mangos eine strenge Vorgabe darstellen).

4. Herausforderungen und zukünftige Entwicklungen

Obwohl das Projekt eine hohe Leistungsfähigkeit gezeigt hat, bleiben einige Herausforderungen bestehen:

Variabilität der Fruchtsorten : Das aktuelle Modell liefert bei gängigen Sorten die besten Ergebnisse, hat jedoch Schwierigkeiten bei seltenen oder regional spezifischen Früchten (z. B. Durian, Litschi) aufgrund begrenzter Trainingsdaten. Künftige Arbeiten werden die Erweiterung des Datensatzes durch Zusammenarbeit mit landwirtschaftlichen Betrieben weltweit umfassen.

Umwelteinflüsse : Luftfeuchtigkeit in Verpackungsanlagen kann zu Kondenswasser auf den Objektivlinsen führen, was die Bildqualität beeinträchtigt. Das Projektteam entwickelt wasserdichte Gehäuse für Kameras mit antibeschlagbeschichteten Oberflächen, um dieses Problem zu verringern.

Kosteneinstiegshürde : Die anfänglichen Einrichtungskosten (ca. 50.000 $ für Hardware und Software) könnten für kleinere landwirtschaftliche Betriebe unerschwinglich sein. Zukünftige Versionen werden sich auf kostengünstigere Alternativen konzentrieren, beispielsweise die Nutzung von Smartphone-Kameras in Kombination mit Edge-Computing-Geräten (z. B. Raspberry Pi), um die Kosten um 60 % zu senken.

5. Schlussfolgerung

Das Projekt für ein maschinelles Sichtsystem zur Erkennung von Fruchtverfaulung stellt einen Paradigmenwechsel in der Qualitätskontrolle nach der Ernte dar und behebt die Ineffizienzen und Grenzen manueller Inspektionen. Durch die Kombination fortschrittlicher Bildgebung, Echtzeit-Bildverarbeitung und maschinellen Lernens ermöglicht das System eine schnelle, genaue und nicht-destruktive Erkennung von Verwesung – wodurch Verluste nach der Ernte reduziert, Arbeitskosten gesenkt und eine gleichbleibende Fruchtqualität für die Verbraucher sichergestellt wird. Während sich die Technologie weiterentwickelt, um zugänglicher und an verschiedene Obstarten anpassbar zu werden, hat sie das Potenzial, die globale Lieferkette für Obst zu transformieren und Nachhaltigkeit sowie Ernährungssicherheit in einer Zeit steigender Nachfrage nach frischen Lebensmitteln zu fördern.